Effect Aliasing in Observational Studies
观察性研究中的效应混叠AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕观察性数据中的处理效应、协变量平衡、匹配设计及双重差分比较展开，直接属于因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
观察性研究中的效应混叠
- 研究问题
- 当时间、资格条件等协变量组合完全决定处理分配时，组间对比能平衡哪些因素，又有哪些高阶交互与处理效应无法区分？
- 方法与思路
- 作者建立观察性研究中的效应混叠理论，分析对比权重下不同阶交互的平衡限制，并提出匹配方法构造平衡的混杂析因设计。
- 材料陈述的贡献
- 摘要称提出混叠理论和新的匹配形式，并通过一项观察性研究说明，相较常规双重差分，其设计的混叠结构具有更强稳健性。
- 阅读关注点
- 应核对混叠的形式化定义、低阶与高阶交互的区分、处理效应识别所需限制，以及所谓比双重差分更稳健的具体含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明识别条件与稳健性比较标准，不能推断该设计普遍优于双重差分。
原文摘要
In experimental design, aliasing of effects occurs in fractional factorial experiments, where certain low order factorial effects are indistinguishable from certain high order interactions: low order contrasts may be orthogonal to one another, while their higher order interactions are aliased and not identified. In observational studies, aliasing occurs when certain combinations of covariates -- e.g., time period and various eligibility criteria for treatment -- perfectly predict the treatment that an individual will receive, so a covariate combination is aliased with a particular treatment. In this situation, when a contrast among several groups is used to estimate a treatment effect, collections of individuals defined by contrast weights may be balanced with respect to summaries of low-order interactions between covariates and treatments, but necessarily not balanced with respect to summaries of high-order interactions between covariates and treatments. We develop a theory of aliasing in observational studies, illustrate that theory in an observational study whose aliasing is more robust than conventional difference-in-differences, and develop a new form of matching to construct balanced confounded factorial designs from observational data.